基于深度神经网络的天然气水合物降压开采产能预测方法.pdf

《基于深度神经网络的天然气水合物降压开采产能预测方法.pdf》由会员分享，可在线阅读，更多相关《基于深度神经网络的天然气水合物降压开采产能预测方法.pdf（14页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202410008197.7(22)申请日 2024.01.04(71)申请人 山东科技大学地址 266590 山东省青岛市黄岛区前湾港路579号(72)发明人 蒋宇静颜鹏栾恒杰刘明康马先壮刘建康陈永强李鑫鹏杜晓宇史一辰(74)专利代理机构 济南金迪知识产权代理有限公司 37219专利代理师 赵龙群(51)Int.Cl.G06Q 10/0637(2023.01)G06Q 50/06(2024.01)G06N 3/04(2023.01)G06N 3/08(2023.01)(54)发明名称基于深度神经。

2、网络的天然气水合物降压开采产能预测方法(57)摘要本发明公开了一种基于深度神经网络的天然气水合物降压开采产能预测方法，主要是通过建立一个五层深度神经网络模型，利用现有的多尺度天然气水合物降压开采试验数据对模型进行训练、优化、测试和评估，并基于此模型设计产能预测模块，从而实现不同工况下多尺度天然气水合物降压开采试验产能的精准预测，从而调整开采策略、优化开采过程以及提高开采效率，减少了传统天然气水合物降压开采试验所需的大量人力物力，且深度学习模型的自动化学习和模式识别能力，有效降低了实验室工作和数据分析的负担，为研究人员提供更高效的实验手段。权利要求书3页 说明书8页 附图2页CN 1175221。

3、73 A2024.02.06CN 117522173 A1.一种基于深度神经网络的天然气水合物降压开采产能预测方法，其特征在于，具体包括以下步骤：S1：收集多尺度天然气水合物降压开采试验数据，这些试验数据涵盖了离散型特征和连续型特征，其中离散型特征包括试样尺度信息和开采井筒信息，连续型特征包括开采参数和产能数据；S2：对试验数据进行预处理；S:3：建立一个包含一个输入层、三个隐藏层和一个输出层的深度神经网络模型；S4：利用多尺度下不同开采参数的降压开采试验数据，训练深度神经网络模型以准确捕捉试验数据中的复杂模式和非线性关系，并通过反向传播算法优化网络参数；S5：利用决定系数和平均相对误差两个参。

4、数评估模型的计算精度；S6：加载产能预测模型设计产能预测模块，利用产能预测模块预测不同尺度和开采参数下的天然气水合物降压开采试验产能。2.如权利要求1所述的基于深度神经网络的天然气水合物降压开采产能预测方法，其特征在于，步骤S1中，所述的试样尺度信息包括一维、二维和三维的三尺度试样尺度信息；所述的开采井筒信息包括水平井、垂直井和水平井+垂直井的开采井筒信息；所述的开采参数包括试样体积、孔隙度、天然气水合物饱和度、开采前压力、开采后压力、开采初始温度以及降压速率；所述的产能数据包括累计产气量以及平均产气速率。3.如权利要求2所述的基于深度神经网络的天然气水合物降压开采产能预测方法，其特征在于，步。

5、骤S2数据预处理的方法为：S2.1：对采集的数据进行清洗，剔除潜在异常值和噪音，获得规范试验数据；S2.2：以各开采参数的5%作为其浮动范围，对试验样本数量进行扩充并采用分层随机抽样法进行抽样，抽样总数为N；S2.3：对试验数据进行归一化处理，得到九类特征，将归一化后的数据集划分为训练集、验证集和测试集；S2.4：按照划分比例，将归一化后的数据集划分为70%训练集、15%验证集和15%测试集。4.如权利要求3所述的基于深度神经网络的天然气水合物降压开采产能预测方法，其特征在于，步骤2.3中试验数据归一化处理方法为：S2.3.1：对于离散型特征，采用独热编码将试样尺度信息和开采井筒信息进行形式上。

6、的归一化处理：试样尺度信息：一维=(1,0,0)，二维=(0,1,0)，三维=(0,0,1)；开采井筒信息：水平井=(1,0,0)，垂直井=(0,1,0)，水平井+垂直井=(0,0,1)；S2.3.2：对于连续型特征，采用将开采参数的数据缩放到0,1范围内的方法进行归一化处理，表达式为：式中，x为步骤S1中的7类开采参数，min(x)为步骤S2.2中抽取的所有试验样本中相应开采参数的最小值，max(x)则为步骤S2.2中抽取的所有试验样本中对应开采参数的最大值，xn为归一化后的值。5.如权利要求2所述的基于深度神经网络的天然气水合物降压开采产能预测方法，其权利要求书1/3 页2CN 11752。

7、2173 A2特征在于，步骤S3具体包括以下步骤：S3.1：建立一个五层深度神经网络模型，包括一个输入层、三个隐藏层和一个输出层；S3.2：输入层节点个数为9个，分别与试样尺度信息、开采井筒信息以及七个开采参数共计九类特征一一对应；S3.3：输出层的节点为2个，分别与步骤S1中的两类产能数据相对应；S3.4：确定深度神经网络模型中每一个隐藏层的节点数均为60。6.如权利要求2所述的基于深度神经网络的天然气水合物降压开采产能预测方法，其特征在于，步骤S4具体包括以下步骤：S4.1：将模型的偏差初始化为零，且采用正态分布将模型的权重进行随机初始化，表达式为：WN(0,0.012)式中，W为权重矩阵。

8、，N(0,0.012)表示均值为0、标准差为0.01的正态分布；S4.2：选择Leaky ReLU作为激活函数，表达式为：f(x)=max(xi,xi)式中，是很小的正数，为0.01，xi为步骤S2.3中的9类特征；S4.3：使用MSE作为损失函数，用来度量利用步骤S2.4中训练集得到的产能预测值与实际值之间的平方差，表达式为：式中，J为模型预测产能值和实际产能值之间的平方差的平均值，m表示步骤S2.4中训练集试验样本数量，表示模型预测产能值，表示实际产能值；S4.4：利用链式法则，从输出层开始，反向计算损失对模型参数权重和偏差的梯度，并使用批量梯度下降的优化算法实现参数的更新，表达式为：式中。

9、，为损失函数对模型参数的梯度计算值，为深度神经网络模型的参数，为学习率，初始值为0.01；S4.5：采用L2正则化技术对模型的权重进行惩罚，防止权重过大，模型对训练数据过度拟合，表达式为：式中，JL2()为添加L2正则化后的损失函数，为正则化强度，初始值为0.1，为模型所有权重的平方和；S4.6：在验证集上评估模型的性能，根据验证集上的表现对学习率和正则化强度进行调整；S4.7：重复步骤S4.3S4.6，进行多次迭代，直至模型达到满意的性能。7.如权利要求6所述的基于深度神经网络的天然气水合物降压开采产能预测方法，其特征在于，步骤S5的详细方法为：权利要求书2/3 页3CN 117522173。

10、 A3使用测试集评估已经训练好并优化后的模型在未见过的数据上的泛化性能，并以决定系数R2大于等于0.8和平均相对误差E小于10%作为模型计算精度的评估标准，从而得到拟合精度高以及误差小的模型，决定系数R2与平均相对误差E两者的表达式分别为：式中，n表示步骤S2.4中测试集试验样本的数量，为实际产能值的平均值；R2越接近1，表示模型拟合精度越高，而E越接近0，表示模型的预测产能值与实际产能值的误差越小。8.如权利要求7所述的基于深度神经网络的天然气水合物降压开采产能预测方法，其特征在于，步骤S6的详细过程为：加载步骤S5中拟合精度高误差小的产能预测模型设计产能预测模块，实时获取天然气水合物降压开。

11、采试验数据，并将试验数据按照S2.3归一化的数据格式输入产能预测模块中，得到产能预测值，从而提供实时的、精准的多尺度天然气水合物降压开采试验产能信息，进而为现场应用提供数据参考。权利要求书3/3 页4CN 117522173 A4基于深度神经网络的天然气水合物降压开采产能预测方法技术领域0001本发明属于天然气水合物开采领域，尤其涉及一种基于深度神经网络的天然气水合物降压开采产能预测方法。背景技术0002天然气水合物，是在高压和低温条件下由天然气和水形成的冰状固体化合物，具有分布广、储量大、埋藏浅、能效高、污染低等优点，是后石油时代的最佳替代能源之一。在众多天然气水合物开采方法中，降压开采法及。

12、其改良方案被认为是最具前景、可实现天然气水合物商业化开采的方法之一。通过了解不同开采参数下的降压开采产能情况，可以调整开采策略，最大化水合物资源的开采潜力，其产能的准确预测对于优化开采过程、提高开采效率至关重要。0003由于天然气水合物的现场开采工程具有准备时间长、成本高以及风险大等特点，导致目前进行的现场试验有限，大部分研究只能通过室内试验进行。此外，由于室内开采试验数据的多样性和复杂性，传统的分析方法难以总结规律或实现对每种开采参数下产能的准确预测。而且，受限于开采参数与降压开采产能的复杂非线性关系，现有的预测方法包括基于经验公式的简单线性回归和基于物理模型的复杂计算方法在准确度和适用性上。

13、均存在一定的不足。0004深度神经网络作为一种先进的机器学习技术，在处理复杂数据和非线性关系方面具有显著优势。其独特之处在于通过多层次的神经元网络，能够自动学习和提取数据中的复杂特征。所以，现在迫切需要一种天然气水合物降压开采产能高效智能预测方法。本发明提出一种基于深度神经网络的天然气水合物降压开采产能预测方法，相对于传统降压开采产能预测方法，该种方法能够更好地理解产能与各种开采参数之间的复杂关系，从而提高预测的准确性。而且，其自动学习特征的能力使其能够更好地适应不同的天然气水合物开采场景，而无需依赖复杂的人为参数输入及计算。发明内容0005为了解决传统天然气水合物降压开采产能预测方法准确度和。

14、适应性不足的问题，本发明提供了一种基于深度神经网络的天然气水合物降压开采产能预测方法，从而实现不同工况下多尺度天然气水合物降压开采试验产能的精准预测，从而调整开采策略、优化开采过程以及提高开采效率。0006为实现上述目的，本发明采取的技术方案是：一种基于深度神经网络的天然气水合物降压开采产能预测方法，其特征在于，建立一个五层深度神经网络模型，利用现有的多尺度天然气水合物降压开采试验数据对模型进行训练、优化、测试和评估，并基于此模型设计产能预测模块，从而实现不同工况下多尺度天然气水合物降压开采试验产能的精准预测，从而调整开采策略、优化开采过程以及提高开采效率，具体包括以下步骤：S1：收集多尺度天。

15、然气水合物降压开采试验数据，这些试验数据涵盖了离散型特说明书1/8 页5CN 117522173 A5征和连续型特征，其中离散型特征包括试样尺度信息和开采井筒信息，连续型特征包括开采参数和产能数据；S2：对试验数据进行预处理；S:3：建立一个包含一个输入层、三个隐藏层和一个输出层的深度神经网络模型；S4：利用多尺度下不同开采参数的降压开采试验数据，训练深度神经网络模型以准确捕捉试验数据中的复杂模式和非线性关系，并通过反向传播算法优化网络参数；S5：利用决定系数和平均相对误差两个参数评估模型的计算精度，从而得到精度高误差小的产能预测模型；S6：加载产能预测模型设计产能预测模块，利用产能预测模块预。

16、测不同尺度和开采参数下的天然气水合物降压开采试验产能。0007进一步：步骤S1中，所述的试样尺度信息包括一维、二维和三维的三尺度试样尺度信息；所述的开采井筒信息包括水平井、垂直井和水平井+垂直井的开采井筒信息；所述的开采参数包括试样体积、孔隙度、天然气水合物饱和度、开采前压力、开采后压力、开采初始温度以及降压速率；所述的产能数据包括累计产气量以及平均产气速率。0008进一步：步骤S2数据预处理的方法为：S2.1：对采集的数据进行清洗，剔除潜在异常值和噪音，获得规范试验数据；S2.2：以各开采参数的5%作为其浮动范围，对试验样本数量进行扩充并采用分层随机抽样法进行抽样，抽样总数为N；S2.3：对。

17、试验数据进行归一化处理，得到九类特征，将归一化后的数据集划分为训练集、验证集和测试集；S2.4：按照划分比例，将归一化后的数据集划分为70%训练集、15%验证集和15%测试集。0009进一步：步骤2.3中试验数据归一化处理方法为：S2.3.1：对于离散型特征，采用独热编码将试样尺度信息和开采井筒信息进行形式上的归一化处理：试样尺度信息：一维=(1,0,0)，二维=(0,1,0)，三维=(0,0,1)；开采井筒信息：水平井=(1,0,0)，垂直井=(0,1,0)，水平井+垂直井=(0,0,1)；S2.3.2：对于连续型特征，采用将开采参数的数据缩放到0,1范围内的方法进行归一化处理，表达式为：0。

18、010式中，x为步骤S1中的7类开采参数，min(x)为步骤S2.2中抽取的所有试验样本中相应开采参数的最小值，max(x)则为步骤S2.2中抽取的所有试验样本中对应开采参数的最大值，xn为归一化后的值。0011进一步：步骤S3具体包括以下步骤：S3.1：建立一个五层深度神经网络模型，包括一个输入层、三个隐藏层和一个输出层；S3.2：输入层节点个数为9个，分别与试样尺度信息、开采井筒信息以及七个开采参数共计九类特征一一对应；说明书2/8 页6CN 117522173 A6S3.3：输出层的节点为2个，分别与步骤S1中的两类产能数据相对应；S3.4：确定深度神经网络模型中每一个隐藏层的节点数均为。

19、60。0012进一步：步骤S4具体包括以下步骤：S4.1：将模型的偏差初始化为零，且采用正态分布将模型的权重进行随机初始化，表达式为：WN(0,0.012)式中，W为权重矩阵，N(0,0.012)表示均值为0、标准差为0.01的正态分布；S4.2：选择Leaky ReLU作为激活函数，表达式为：f(x)=max(xi,xi)式中，是很小的正数，为0.01，xi为步骤S2.3中的9类特征；S4.3：使用MSE作为损失函数，用来度量利用步骤S2.4中训练集得到的产能预测值与实际值之间的平方差，表达式为：0013式中，J为模型预测产能值和实际产能值之间的平方差的平均值，m表示步骤S2.4中训练集试验。

20、样本数量，表示模型预测产能值，表示实际产能值；S4.4：利用链式法则，从输出层开始，反向计算损失对模型参数权重和偏差的梯度，并使用批量梯度下降的优化算法实现参数的更新，表达式为：0014式中，为损失函数对模型参数的梯度计算值，为深度神经网络模型的参数，为学习率，初始值为0.01；S4.5：采用L2正则化技术对模型的权重进行惩罚，防止权重过大，模型对训练数据过度拟合，表达式为：0015式中，JL2()为添加L2正则化后的损失函数，为正则化强度，初始值为0.1，为模型所有权重的平方和；S4.6：在验证集上评估模型的性能，根据验证集上的表现对学习率和正则化强度进行调整；S4.7：重复步骤S4.3S4。

21、.6，进行多次迭代，直至模型达到满意的性能。0016进一步：步骤S5的详细步骤为：使用测试集评估已经训练好并优化后的模型在未见过的数据上的泛化性能，并以决定系数R2大于等于0.8和平均相对误差E小于10%作为模型计算精度的评估标准，从而得到拟合精度高以及误差小的产能预测模型，决定系数R2与平均相对误差E两者的表达式分别为：说明书3/8 页7CN 117522173 A70017式中，n表示步骤S2.4中测试集试验样本的数量，为实际产能值的平均值；R2越接近1，表示模型拟合精度越高，而E越接近0，表示模型的预测产能值与实际产能值的误差越小。0018进一步：步骤S6的详细步骤为：加载步骤S5中拟合。

22、精度高误差小的产能预测模型设计产能预测模块，实时获取天然气水合物降压开采试验数据，并将试验数据按照S2.3归一化的数据格式输入产能预测模块中，得到产能预测值，从而提供实时的、精准的多尺度天然气水合物降压开采试验产能信息，进而为现场应用提供数据参考。0019结合上述的所有技术方案，本发明的有益效果包括：（1）本发明提供的一种基于深度神经网络的天然气水合物降压开采产能预测方法显著减少了传统天然气水合物降压开采试验所需的大量人力物力，且深度学习模型的自动化学习和模式识别能力，有效降低了实验室工作和数据分析的负担，为研究人员提供更高效的实验手段。0020（2）本发明提供的一种基于深度神经网络的天然气水。

23、合物降压开采产能预测方法为降压开采工程提供了优化开采策略的支持，且模型的泛化能力和实时性能够即时获取产能预测信息，从而调整和优化降压开采操作，提高生产效率，降低成本。0021（3）本发明提供的一种基于深度神经网络的天然气水合物降压开采产能预测方法相较于传统方法，具有更高的预测精准度，且模型能够更好地捕捉天然气水合物降压开采试验中的复杂关系，为降压开采工程提供更可靠的产能预测支持，有助于科学决策和资源规划。附图说明0022图1是本发明提供的基于深度神经网络的天然气水合物降压开采产能预测方法流程图；图2是本发明实施例提供的基于深度神经网络的天然气水合物降压开采试验部分累计产气量预测值与实际值的对比。

24、图；图3是本发明实施例提供的基于深度神经网络的天然气水合物降压开采试验部分平均产气速率预测值与实际值的对比图。具体实施方式0023下面结合附图对本发明实施例的施工过程进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。0024如图1所示，本发明提供了一种基于深度神经网络的天然气水合物降压开采产能说明书4/8 页8CN 117522173 A8预测方法实施例，包括：收集该工程多尺度天然气水合物降压开采试验数据并进行预处理；建立一个包含一个输入层、三个隐藏层和一个输出层的深度神经网络模型；通过三种尺度下不同开采参数的降压开采试验数据，训练。

25、深度神经网络模型以准确捕捉试验数据中的复杂模式和非线性关系，并通过反向传播算法优化网络参数；利用决定系数和平均相对误差两个参数评估模型的计算精度；设计产能预测模块，用于预测不同尺度和开采参数下的天然气水合物降压开采试验产能。该方法的主要步骤如下：S1：数据采集通过多组天然气水合物降压开采试验，详尽地获取试验数据。这些数据涵盖了离散型特征和连续型特征，前者包括一维、二维和三维的试样尺度信息以及水平井、垂直井和水平井+垂直井的开采井筒信息，后者则为包括试样体积V、孔隙度e、天然气水合物饱和度Sh、开采前压力P1、开采后压力P2、开采初始温度T0以及降压速率vp在内的开采参数和包括累计产气量Q以及平。

26、均产气速率在内的产能数据。0025S2：数据预处理S2.1：对采集的数据进行清洗，剔除潜在异常值和噪音，获得规范试验数据，且将由于试验操作等因素引起的数据波动在误差允许范围内对数据进行合并，如表1所示。0026表1 合并后的规范试验数据说明书5/8 页9CN 117522173 A90027S2.2：以各开采参数的5%作为其浮动范围，对试验样本数量进行扩充，共得到104976组试验样本，并采用分层随机抽样法进行抽样，抽样总数为3200；S2.3：数据归一化S2.3.1：对于离散型特征，采用独热编码将试样尺度信息和开采井筒信息进行形式上的归一化处理：试样尺度信息：一维=(1,0,0)，二维=(0。

27、,1,0)，三维=(0,0,1)；开采井筒信息：水平井=(1,0,0)，垂直井=(0,1,0)，水平井+垂直井=(0,0,1)；S2.3.2：对于连续型特征，采用将开采参数的数据缩放到0,1范围内的方法进行说明书6/8 页10CN 117522173 A10归一化处理，表达式为：0028式中，x为步骤S1中的7类开采参数，min(x)为步骤S2.2中抽取的所有试验样本中相应开采参数的最小值，max(x)则为步骤S2.2中抽取的所有试验样本中对应开采参数的最大值，xn为归一化后的值；7类开采参数的归一化处理结果，具体如下：0029S2.4：按照划分比例，将归一化后的数据集划分为70%训练集224。

28、0个试验样本、15%验证集480个试验样本和15%测试集480个试验样本。0030S3：深度神经网络模型建立S3.1：建立一个五层深度神经网络模型，包括一个输入层、三个隐藏层和一个输出层；S3.2：输入层节点个数为9个，分别与步骤S2.3中的9类特征一一对应，也就是与试验尺度信息、开采井筒信息以及七个开采参数特征一一对应；S3.3：输出层的节点为2个，分别与步骤S1中的两类产能数据相对应；S3.4：确定深度神经网络模型中每一个隐藏层的节点数均为60。0031S4：深度神经网络模型训练与优化S4.1：将模型的偏差初始化为零，且采用正态分布将模型的权重进行随机初始化，表达式为：WN(0,0.012。

29、)式中，W为权重矩阵，N(0,0.012)表示均值为0、标准差为0.01的正态分布；S4.2：选择Leaky ReLU作为激活函数，表达式为：f(x)=max(xi,xi)式中，是很小的正数，为0.01，xi为步骤S2.3中的9类特征；S4.3：使用MSE作为损失函数，用来度量利用步骤S2.4中训练集得到的产能预测值与实际值之间的平方差，表达式为：0032式中，m表示步骤S2.4中训练集试验样本数量，为2240，表示模型预测产能值，表示实际产能值；S4.4：利用链式法则，从输出层开始，反向计算损失对模型参数权重和偏差的梯度，并使用批量梯度下降的优化算法实现参数的更新，表达式为：说明书7/8 页。

30、11CN 117522173 A110033式中，为深度神经网络模型的参数，表示学习率，初始值为0.01；S4.5：采用L2正则化技术对模型的权重进行惩罚，防止权重过大，模型对训练数据过度拟合，表达式为：0034式中，JL2()为添加L2正则化后的损失函数，表示正则化强度，初始值为0.1，为模型所有权重的平方和；S4.6：在验证集上评估模型的性能，根据验证集上的表现对学习率和正则化强度进行调整，确定最终的学习率为0.001，正则化强度则为0.01；S4.7：重复步骤S4.3S4.6，进行多次迭代，不断优化模型参数，直至模型达到满意的性能；S5：深度神经网络模型测试与评估使用测试集评估已经训练好。

31、并优化后的模型在未见过的数据上的泛化性能，并以决定系数R2大于等于0.8和平均相对误差E小于10%作为模型计算精度的评估标准，两者的表达式分别为：0035式中，n表示步骤S2.4中测试集试验样本的数量，为480，为实际产能值的平均值；R2越接近1，表示模型拟合精度越高，而E越接近0，表示模型的预测产能值与实际产能值的误差越小。经计算，模型的决定系数R2为0.84，平均相对误差E为8.1%，且满足模型精度要求的部分产能预测值与实际值的对比情况，分别如图2和图3所示。0036S6：产能预测加载步骤S5中拟合精度高误差小的模型设计产能预测模块，实时获取天然气水合物降压开采试验数据，并按照S2.3中归一化之后的数据格式输入到产能预测模块中，得到产能预测值，提供实时的、精准的多尺度天然气水合物降压开采试验产能信息，进而为现场应用提供数据参考。0037当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。说明书8/8 页12CN 117522173 A12图1图2说明书附图1/2 页13CN 117522173 A13图3说明书附图2/2 页14CN 117522173 A14。